TimeDistributed层在Keras中的作用是什么？
我试图了解TimeDistributed包装器在Keras中的作用。
我得到TimeDistributed“将一个图层应用于输入的每个时间片。”
但我做了一些实验并得到了我无法理解的结果。
简而言之，与LSTM层相关，TimeDistributed和Dense层具有相同的结果。
model = Sequential()
model.add(LSTM(5, input_shape = (10, 20), return_sequences = True))
model.add(TimeDistributed(Dense(1)))
print(model.output_shape)
model = Sequential()
model.add(LSTM(5, input_shape = (10, 20), return_sequences = True))
model.add((Dense(1)))
print(model.output_shape)
对于这两种型号，我的输出形状为（无，10,1）。
任何人都可以解释RNN层之后TimeDistributed和Dense层之间的区别吗？
目前ssem没有区别，这里讨论它。我认为最初的意图是区分Dense平坦化输入然后重新整形的层，因此连接不同的时间步长并具有更多参数，并TimeDistributed保持时间步长分离（因此具有较少的参数）。在你的情况下Dense应该有500个参数，TimeDistributed只有50 - gionni 11月15日'17在13:00
@gionni不，它有相同数量的参数（均为6）。那么atm几乎没有什么区别？ - Buomsoo Kim 于17年11月16日凌晨2 点09分
是的，如果存在差异，这些是他们将拥有的参数数量。目前没有 - gionni 于17年11月16日12:17
在keras建立顺序模型时 - 通常是第二维（一个在样本维度之后） - 与time维度相关。这意味着，如果例如，你的数据是5-dim与(sample, time, width, length, channel)您可以应用使用卷积层TimeDistributed（其适用于4-dim与(sample, width, length, channel)以获得沿时间维度）（应用相同的层到每个时间片）5-d输出。
这样的情况Dense是，keras从版本2.0开始Dense默认仅应用于最后一个维度（例如，如果您应用于Dense(10)具有形状的输入，(n, m, o, p)您将获得具有形状的输出(n, m, o, 10)），因此在您的情况下Dense并且TimeDistributed(Dense)是等效的。